論文の概要: NISQ-Compatible Error Correction of Quantum Data Using Modified
Dissipative Quantum Neural Networks
- arxiv url: http://arxiv.org/abs/2311.10467v1
- Date: Fri, 17 Nov 2023 11:47:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-20 14:55:47.251283
- Title: NISQ-Compatible Error Correction of Quantum Data Using Modified
Dissipative Quantum Neural Networks
- Title(参考訳): 修正散逸量子ニューラルネットワークを用いたnisq互換量子データの誤り訂正
- Authors: Armin Ahmadkhaniha, Marzieh Bathaee
- Abstract要約: 我々は,既存の量子オートエンコーダ(QAE)ネットワークを,ノイズの多いm量子GHZ状態の量子デノイザとしての性能を向上する。
私たちの新しいDenoisingアーキテクチャは、トレーニング時間を短縮できる、はるかに少ない数の学習パラメータを必要とします。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Using a dissipative quantum neural network (DQNN) accompanied by conjugate
layers, we upgrade the performance of the existing quantum auto-encoder (QAE)
network as a quantum denoiser of a noisy m-qubit GHZ state. Our new denoising
architecture requires a much smaller number of learning parameters, which can
decrease the training time, especially when a deep or stacked DQNN is needed to
approach the highest fidelity in the Noisy Intermediate-Scale Quantum (NISQ)
era. In QAE, we reduce the connection between the hidden layer's qubits and the
output's qubits to modify the decoder. The Renyi entropy of the hidden and
output qubits' states is analyzed with respect to other qubits during learning
iterations. During the learning process, if the hidden layer remains connected
to the input layers, the network can almost perfectly denoise unseen noisy data
with a different underlying noise distribution using the learning parameters
acquired from training data.
- Abstract(参考訳): 共役層を伴う散逸型量子ニューラルネットワーク(DQNN)を用いて、ノイズの多いm量子GHZ状態の量子デノイザとして、既存の量子オートエンコーダ(QAE)ネットワークの性能をアップグレードする。
我々の新しいデノナイジングアーキテクチャは、非常に少ない数の学習パラメータを必要としており、特に、ノイズ中規模量子(NISQ)時代の最高忠実度に近づくのに深層もしくは積み重ねられたDQNNが必要な場合、トレーニング時間を短縮することができる。
QAEでは、隠れた層の量子ビットと出力の量子ビットとの接続を減らし、デコーダを変更する。
隠れ出力量子ビットの状態のrenyiエントロピーは、学習イテレーション中の他の量子ビットについて解析される。
学習過程において、隠れた層が入力層に接続されている場合、ネットワークはトレーニングデータから取得した学習パラメータを用いて、異なる雑音分布を持つノイズデータをほぼ完全に無視することができる。
関連論文リスト
- Quantum-Trained Convolutional Neural Network for Deepfake Audio Detection [3.2927352068925444]
ディープフェイク技術は プライバシー セキュリティ 情報整合性に 課題をもたらす
本稿では,ディープフェイク音声の検出を強化するために,量子学習型畳み込みニューラルネットワークフレームワークを提案する。
論文 参考訳(メタデータ) (2024-10-11T20:52:10Z) - CTRQNets & LQNets: Continuous Time Recurrent and Liquid Quantum Neural Networks [76.53016529061821]
Liquid Quantum Neural Network (LQNet) とContinuous Time Recurrent Quantum Neural Network (CTRQNet) を開発した。
LQNetとCTRQNetは、バイナリ分類によってCIFAR 10で40%の精度向上を実現している。
論文 参考訳(メタデータ) (2024-08-28T00:56:03Z) - A Quantum-Classical Collaborative Training Architecture Based on Quantum
State Fidelity [50.387179833629254]
我々は,コ・テンク (co-TenQu) と呼ばれる古典量子アーキテクチャを導入する。
Co-TenQuは古典的なディープニューラルネットワークを41.72%まで向上させる。
他の量子ベースの手法よりも1.9倍も優れており、70.59%少ない量子ビットを使用しながら、同様の精度を達成している。
論文 参考訳(メタデータ) (2024-02-23T14:09:41Z) - A Quantum Optical Recurrent Neural Network for Online Processing of
Quantum Times Series [0.7087237546722617]
量子光リカレントニューラルネットワーク(QORNN)は,量子チャネルの伝送速度を高めることができることを示す。
また、同モデルが不要であれば、同様のメモリ効果に対処できることも示している。
我々は、この最後のタスクの小さなバージョンをフォトニックプロセッサのBorealis上で実行します。
論文 参考訳(メタデータ) (2023-05-31T19:19:25Z) - QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional
Networks [124.7972093110732]
本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。
現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。
我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
論文 参考訳(メタデータ) (2022-11-09T21:43:16Z) - DeepQMLP: A Scalable Quantum-Classical Hybrid DeepNeural Network
Architecture for Classification [6.891238879512672]
量子機械学習(QML)は、従来の機械学習(ML)タスクの潜在的なスピードアップと改善を約束している。
本稿では、古典的なディープニューラルネットワークアーキテクチャにインスパイアされたスケーラブルな量子古典ハイブリッドニューラルネットワーク(DeepQMLP)アーキテクチャを提案する。
DeepQMLPは、ノイズ下での推論において、最大25.3%の損失と7.92%の精度を提供する。
論文 参考訳(メタデータ) (2022-02-02T15:29:46Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳(メタデータ) (2021-06-10T04:21:20Z) - Classification and reconstruction of optical quantum states with deep
neural networks [1.1470070927586016]
我々は、量子状態の分類と再構成にディープ・ニューラル・ネットワーク技術を適用した。
ノイズの有無やデータが少ない場合でも,高い分類精度と再現率を示す。
我々は,条件付き生成対向ネットワーク(QST-CGAN)を用いた[arXiv:2008.03240]QST手法のさらなる実演を行う。
論文 参考訳(メタデータ) (2020-12-03T18:58:16Z) - Decentralizing Feature Extraction with Quantum Convolutional Neural
Network for Automatic Speech Recognition [101.69873988328808]
特徴抽出のための量子回路エンコーダからなる量子畳み込みニューラルネットワーク(QCNN)を構築した。
入力音声はまず、Mel-spectrogramを抽出するために量子コンピューティングサーバにアップストリームされる。
対応する畳み込み特徴は、ランダムパラメータを持つ量子回路アルゴリズムを用いて符号化される。
符号化された機能は、最終認識のためにローカルRNNモデルにダウンストリームされる。
論文 参考訳(メタデータ) (2020-10-26T03:36:01Z) - On the learnability of quantum neural networks [132.1981461292324]
本稿では,量子ニューラルネットワーク(QNN)の学習可能性について考察する。
また,概念をQNNで効率的に学習することができれば,ゲートノイズがあってもQNNで効果的に学習できることを示す。
論文 参考訳(メタデータ) (2020-07-24T06:34:34Z) - Quantum-enhanced data classification with a variational entangled sensor
network [3.1083620257082707]
絡み合ったセンサーネットワーク(SLAEN)によって補助される監視学習は、古典的な機械学習アルゴリズムによって訓練されたVQCを利用する、独立したパラダイムである。
我々の研究は、NISQ時代における量子化データ処理の新たな道のりを開拓している。
論文 参考訳(メタデータ) (2020-06-22T01:22:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。